基于協同濾波和BP神經網絡的電力作業人員運動工況辨識*

徐國壘, 張文斌, 唐立軍, 周年榮,3

(1.昆明理工大學 機電工程學院,云南 昆明 650500；2.云南電網有限責任公司電力科學研究院,云南 昆明650217；3.重慶大學 電氣工程學院,重慶400044)

0 引 言

隨著傳感技術快速發展,復雜電力作業環境下電場強度、電壓等級、磁場強度等隱含信息的測量技術研究越來越多,同時可基于該類測量技術進行預警裝置研制。預警裝置中電壓等級辨識技術的原理為相同條件下電壓等級越大電場值變化越快;但實際作業環境中不同工況會導致電壓等級誤判,如電壓等級相同的帶電體,作業人員爬塔靠近與水平靠近兩種工況下,采集到的電場值變化快慢截然不同,導致識別出來的電壓等級極可能不同;同時電壓等級的誤判影響預警裝置的報警閾值設置,降低預警準確率。

目前人體行走工況辨識的方法主要有圖像辨識和慣性辨識,其中圖像辨識存在易受障礙物影響、不便于攜帶、成本高等缺陷;慣性識別均利用加速度傳感器測量作業人員在不同工況下運動過程中,加速度傳感器采集加速度值波動幅值大小不同識別運動工況,但是該方法測量過程中誤差大,且易受作業人員額外動作影響,導致誤判率高。

為了提高預警準確率,本文對水平靠近帶電體、斜坡靠近帶電體及爬塔靠近帶電體3種工況辨識技術進行研究[1]。并提出基于協同濾波和反向傳播(back propagation,BP)神經網絡的電力作業人員運動工況辨識;由于不同工況下電力作業人員運動時頭部的加速度與氣壓值變化特性不同,提取加速度值與氣壓值的特征參數建立BP神經網絡模型[2～4];該方法具有便于攜帶、成本低、辨識準確率高等優點,不僅可以輔助提高電力作業中預警準確度,還可以廣泛應用于其他領域。

1 運動工況識別系統模型建立

整體模型主要包括特征數據采集、特征參數提取、工況辨識[5～8]。其實現步驟為：先將氣壓傳感器、加速度傳感器安裝在作業人員的頭部,采集頭部的氣壓值和三軸加速度值,對加速度值與氣壓值進行數據預處理提取特征參數,最后以特征參數作為輸入建立BP神經網絡模型[9～16]實現工況分類。

2 數據預處理

可靠的數據預處理是模式識別關鍵,本文選取MPU6050型加速度傳感器與MS5611型氣壓傳感器采集作業人員運動過程中的加速度值與氣壓值,兩種傳感器均為高精度、高靈敏度傳感器,采集到的數據中存在大量噪聲,同時氣壓傳感器采集的氣壓值在靜態過程中易發生漂移,導致傳感器直接測量到的數據不適合直接使用,本文提出利用信息協同濾波方法提取有效相對高度值,最后對有效相對高度值進行一階擬合,獲取擬合參數,其數據預處理結構圖如圖1所示。

圖1 數據預處理結構

圖1中,ax,ay,az分別為傳感器內部坐標系X軸、Y軸、Z軸上的加速度值,axyz為三軸合加速度值,p為采集到的氣壓值,Hv為氣壓值p對應的海拔高度值,H為協同融合后的有效相對高度值,t為采集數據次數,f(t)為有效相對高度值H與采集數據次數t的擬合函數。

2.1 數據轉換

(1)

2.2 信息協同濾波

當作業人員運動過程中相對初始位置的海拔高度發生變化時,氣壓傳感器采集氣壓值經過轉換公式得到的海拔高度變化值可有效反映出相對高度變化量,作業人員處于靜止狀態時,氣壓傳感器采集到的氣壓值存在較大的漂移,且作業人員身體的晃動、自然環境下風、溫度變因素也將影響氣壓傳感器采集到的氣壓值,轉換后的相對高度值變化存在極大誤差,導致實際上所處位置的海拔高度變化不明顯,計算的海拔高度依然存在變化,不能準確反映作業人員運動過程中相對初始位置的高度變化量;當作業人員處于靜止狀態時,加速度傳感器采集到的合加速度幅值變化量小,當作業人員處于運動狀態時,加速度傳感器采集到的合加速度幅值變化量較大,根據該特征可知加速度傳感器能較好地識別作業人員是否處于運動狀態,由氣壓傳感器與加速度傳感器在運動過程中采集到的數據關聯性,本文采取信息協同濾波提取有效相對高度值,即設置一個加速度閾值A,當加速度傳感器采集到的合加速度值波動幅值大于閾值A,氣壓傳感器采集到氣壓值p轉換后的相對高度值H變化有效,否則無效。

2.2.1 加速度閾值設置

加速度閾值A設置過大,容易忽略有效信息,加速度閾值設置過小,一些無效信息容易被誤認為有效信息,為此，本文通過設計實驗,將加速度傳感器及氣壓傳感器安裝在實驗人員頭頂,采取讓被實驗人員運動一段時間再靜止一段時間的方法,采集10組數據,每組采集500次數據,對每組數據中靜止過程、運動過程的合加速度值分別求算數平均值,再求測量值與算數平均值做差后的平均值γ,其γ計算公式為

(2)

式中at為t次測量到的加速度值,N為每組測量次數且N=500;計算10組數據得到γ統計如表1所示。

通過表1可以看出：10組運動過程中γ值的平均值為1 551.832,靜止狀態下γ為187.178 4,因此,設置加速度閾值A為兩個平均值的中值869.5。

表1 運動、靜止狀態下γ值

2.2.2 有效相對高度值可靠性驗證

設計作業人員攜帶加速度傳感器、氣壓傳感器在坡度約為30°的斜坡上行走,作業人員行走一段時間,停止一段時間,該過程中,加速度計、氣壓計采集140次數據為一組,計算該組數據中的合加速度,計算加速度閾值γ值,當γ>A時,運動過程中相對起始位置的高度變化H有效,否則無效;通過該方法,提取有效相對高度值,隨機抽取其中一組數據繪制曲線如圖2(a)所示。由圖2(a)可以看出：經協同濾波后的有效相對高度值相對原始高度值更平滑,因此利用信息協同濾波處理作業人員在水平、斜坡、桿塔3種不同工況下運動采集的加速度值與氣壓值,提取有效相對高度值變化,從采集到的所有數據中每種工況隨機提取10組數據繪制處理后的有效相對高度變化曲線圖如圖2(b)所示。

圖2 有效高度驗證結果

2.3 數據擬合

根據圖2(b)可以明顯地看到,作業人員在爬塔、爬坡、水平行走3種工況下的有效相對高度值變化快慢不同,且變化曲線近似一元二次方程曲線,因此對有效相對高度值變化曲線進行一階擬合,設擬合函數為f(h)=αt+β,其中t為采集數據次數,h為相對高度值,選取室外的桿塔安全區、室外坡度約為30°的斜坡及水平路面作為實驗平臺,每種工況采集400組數據,總的數據組數為1 200組,分別對1 200數據的有效相對高度值進行一階擬合,得到擬合參數α與β; 建立BP神經網絡模型,每種工況隨機抽取350組擬合參數α與β作為訓練輸入,其余擬合參數作為測試。

3 BP神經網絡算法

BP神經網絡包含多個隱含層,具備處理線性不可分問題的能力,具有自學習和自適應能力,泛化能力強,有一定的容錯能力,因此本文選擇BP神經網絡模型進行作業人員工況識別。

3.1 BP神經網絡模型建立

BP神經網絡模型由三個部分組成,分別為輸入層、隱含層、輸出層,每層含有不同數量的神經元[11～13]。該模型中設期望輸出值為D=[d1,d2,…,dn],(n∈R),實際輸出值為Y=[y1,y2,…,yn],期望輸出值與實際輸出值誤差為E=[e1,e2,…,en],計算誤差值的標準差σ,設誤差閾值為ξ,當σ<ξ,更新權值達到要求,停止訓練并得到最終的BP神經網絡權值參數。

令隱含層輸出H中的元素計算

hi=f(wi×xj+bi)

(3)

將xj=[αjβj]′,wi=[w1iw2i]代入式(3)得到

hi=f(w1i×αj+w2iβj+bi)

(4)

令B=[b1b2…bp],隱含層輸出矩陣H計算

H=f(W′×X+B′)

(5)

令輸出層權值為Q,Q=[q1q2…qp],則輸出層Y誤差E的計算公式為

Y=Q×H,E=D-Y

(6)

令隱含層與輸出層之間的局部梯度G=[g1,g2,…,gn],輸入層與隱含層之間的局部梯度L=(lij),則權值 更新計算公式計算

(7)

3.2 實驗驗證結果與分析

利用BP神經網絡模型對采集數據進行訓練及測試,其訓練結果如圖3(a)所示,利用其余數據進行測試,其測試結果如圖3(b)所示,圖中 “*”所在縱坐標為1時,辨識運動工況為水平行走,“*”所在縱坐標為2時,辨識運動工況為爬坡,“*”所在縱坐標為3時,辨識運動工況為爬塔,“o”表示識別出現錯誤。

圖3 訓練與測試結果

對圖3辨識結果分析如表2所示。

表2 結果分析

4 結 論

訓練及測試結果表明：訓練準確率達到94.95 %,測試準確率達到94.67 %,該方法具有便于攜帶、成本低、辨識準確率高等優點,不僅提高電力作業中的相關信息測量準確度,還具有廣泛的運用市場。